在solr中获取pdf的searchresult的页码

Question

我正在构建一个Web应用程序，用户可以在其中搜索pdf文档并使用pdf.js查看它们。我想用段落的简短片段显示搜索结果，其中找到搜索词，以及在右页打开文档的链接。

所以我需要的是页码和每个搜索结果的简短文本片段。

我正在使用SOLR 4.1索引pdf文档。索引本身工作正常，但我不知道如何获取搜索结果的页码和段落。

我在这里找到了这个“Indexing PDF with page numbers with Solr”，但它并没有真正有用。

Answer 1

我现在拆分PDF并将每个页面分别发送给SOLR。 因此，每个页面都是一个标识为<id_of_document>_<page_number>的自己的文档，另外一个字段doc_id只包含<id_of_document>，用于对结果进行分组。

Answer 2

JIRA SOLR-380带有补丁，您可以查看。

Answer 3

我也尝试使用页码获取结果，但无法执行此操作。我使用Apache PDFBox来分割目录中存在的所有PDF并将文件发送到Solr服务器。

Answer 4

我自己没试过。 方法，

1. 与Apache Tika解析器集成的Solr客户连接器，用于索引PDF
2. 在Solr中创建多个属性，如page1，page2，page3 ...，pageN - 或者，可以在Solr中使用动态属性
3. 在客户连接器中，逐页阅读PDF，将它们索引到相应的页面属性/动态属性
4. 启用所有“页面”属性的搜索
5. 当用户搜索时，使用“突出显示器/摘要/预告片”组件仅检索已点击的“页面”属性
6. 对于给定记录具有匹配（从突出显示器/摘要/预告器中找到）的“页面”属性是具有搜索短语的页面。
7. 将PDF链接到PDF的“#PageNumber”，然后单击
弹出页面

与拆分PDF并将其作为单独的Solr文档索引相比，这是一种更好的方法。

如果您发现此设计存在缺陷，请回复我的帖子。我会尝试解决它。​​